基于块特征工程的转子间骨折X线影像可解释自动检测方法

《Scientific Reports》：TransLPQPHOG: a new exemplar feature extraction model for intertrochanteric hip fracture detection

　　

摘要

从X线影像中自动检测转子间骨折受到可用数据集规模有限以及许多基于学习的模型可解释性差的限制。本文开发了TransLPQPHOG，这是一种紧凑的特征工程框架，集成了固定局部图像块、局部相位量化、金字塔方向梯度直方图、累积加权迭代邻域成分分析及多层感知机分类。每张224×224像素的X线影像被划分为14×14的网格，包含不重叠的16×16像素块。该表示方法生成了83,104个特征，其中659个被保留用于分类。我们在一个回顾性单中心队列中评估了该框架，该队列包含470例患者的470张前后位X线影像，其中226例为转子间骨折病例，244例为对照组。影像级别的十折交叉验证在患者层面不重叠，因为每位患者仅提供一张X线影像。在每一个外层折叠内，仅使用训练分区进行最小-最大归一化、CWINCA排序、特征子集选择和MLP拟合；留出的折叠仅用于测试。TransLPQPHOG达到了90.85%的准确率（95%置信区间：87.90–93.14%），敏感性为91.59%，特异性为90.16%，受试者工作特征曲线下面积为0.9615。在相同的验证方案下，全图LPQ–PHOG达到了72.77%的准确率，而基于块的特征配置准确率范围为77.87%至88.30%。因此，完整框架提供了最高的分类性能。Shapley分析进一步表明，PHOG特征占绝对特征贡献总量的89.5%，表明局部梯度结构是判别信息的主要来源。这些发现表明，在有限数据条件下，可解释的基于块的特征工程可以支持转子间髋部骨折的内部分类。然而，这些结果并未建立临床普适性，在临床应用前需要进行独立的多中心及前瞻性验证。